CC BY
0
6. Kapishin M., BM@N Collaboration. Studies of baryonic matter at the BM@N experiment (JINR) // Nuclear Physics A. 2019. V. 982. P. 967.
7. The SPD collaboration. Technical Design Report of the Spin Physics Detector [Электронный ресурс] URL: http://spd.jinr.ru/wp-content/uploads/2023/03/TechnicalDesignReport SPD2023.pdf (дата обращения: 11.12.2023).
8. The SPD proto-collaboration. Conceptual design of the Spin Physics Detector [Электронный ресурс] URL: http://spd.jinr.ru/wp-content/uploads/2021/04/2102.00442.pdf (дата обращения: 11.12.2023).
9. Карточка проекта фундаментальных и поисковых научных исследований, поддержанного Российским Научным Фондом [Электронный ресурс] URL: https://rscf.ru/project/22-12-00109/ (дата обращения: 11. 12.2023).
Пряхина Дарья Игоревна, научный сотрудник, [email protected], Россия, Дубна, Объединенный институт ядерных исследований,
Кореньков Владимир Васильевич, д-р техн. наук, научный руководитель лаборатории, [email protected], Россия, Дубна, Объединенный институт ядерных исследований,
Олейник Данила Анатольевич, канд. техн. наук, старший научный сотрудник, [email protected], Россия, Дубна, Объединенный институт ядерных исследований,
Жемчугов Алексей Сергеевич, канд. физ.-мат. наук, заместитель начальника отдела, заместитель главного ученого секретаря Института, zhemchugov@jinr. ru, Россия, Дубна, Объединенный институт ядерных исследований
DIGITAL TWIN OF SPD ONLINE FILTER D.I. Priakhina, V. V. Korenkov, D.A. Oleynik, A.S. Zhemchugov
A software complex to make digital twins of data acquisition, storage and processing systems was developed in the Meshcheryakov Laboratory of Information Technologies of the Joint Institute for Nuclear Research. The article considers usage of the software complex for designing of online filter for the SPD experiment at the NICA complex. The first obtaining results are described, including the values of the equipment parameters required for storing and processing experimental data, as well as an assessment of the workload of the data transmission network.
Key words: digital twin, computer system, SPD experiment, NICA complex.
Priakhina Daria Igorevna, researcher, pryahinad@jinr. ru, Russia, Dubna, Joint Institute for Nuclear Research,
Korenkov Vladimir Vasilievich, doctor of technical sciences, scientific leader of the laboratory, [email protected], Russia, Dubna, Joint Institute for Nuclear Research,
Oleynik Danila Anatolievich, candidate of technical sciences, senior researcher, [email protected], Russia, Dubna, Joint Institute for Nuclear Research,
Zhemchugov Alexey Sergeevich, candidate ofphysical and mathematical sciences, deputy head of the department, deputy chief scientific secretary of the Institute, zhemchugov@jinr. ru, Russia, Dubna, Joint Institute for Nuclear Research
УДК 621.313.323
DOI: 10.24412/2071 -6168-2024-12-242-243
ДИСКРЕТНАЯ МОДЕЛЬ ВЕЙВЛЕТ ПРЕОБРАЗОВАНИЯ ДЛЯ ОБРАБОТКИ ЭЛЕКТРОЭНЦЕФАЛОГРАФИИ
Хаодун Чэн, Чжоу Вэй, В.В. Потехин, Ю.Н. Кожубаев, В.С. Карпухин
Использование неинвазивных средств, в частности электроэнцефалографа, для снятия биопотенциалов головного мозга является одним из самых простых и распространенных методов создания нейрокомпьютерных интерфейсов. Поиск подходящих алгоритмов обработки полученных сигналов для последующего распознавания мыслительных процессов является одним из самых больших препятствий для будущего внедрения интерфейсов во многих сферах. Из-за огромной совокупности и сложности процессов, происходящих одновременно в головном мозге, невозможно создать модель, которая смогла бы полностью их описать. В результате чего получение безмодельных методов требует большого количества времени. Однако в последние годы методы машинного обучения становятся все более популярными в исследованиях. Вычислительные мощности современных компьютеров позволяют быстро проводить вычисления необходимые для машинного обучения, что является ключевым аргументом в пользу их использования. Данные, полученные из источника, были разбиты на наборы сигналов от каждого из электродов и вид мысленных действий. После каждый из них был представлен в частотно-временном виде при помощи дискретной модели вейвлет преобразования. Затем посчитаны отдельные характеристики каждого частотно-временного отрезка сигнала, которые были использованы для машинного обучения. Каждый из алгоритмов машинного обучения был протестирован на разных вейвлет функциях.
Ключевые слова: Вейвлет преобразование, дискретная модель, машинное обучение, нейронные сети, аппроксимация, электроэнцефалография.
Электроэнцефалография (ЭЭГ) становится все более популярной для определения действий мозга. С помощью ЭЭГ можно понять, как работает мозг. Различные темы были рассмотрены многими исследователями. Это
242
касается, помимо прочего, обнаружения эпилепсии, предсказания эпилепсии [1-3], воображаемых моторных функций.
ЭЭГ измеряет разницу потенциалов на коже головы, вызванную электрическими событиями работающих клеток мозга. Он также дает информацию о паттернах активации и обработке информации мозгом [4-5]. Когда клетки мозга активируются, они производят локальные токовые потоки. ЭЭГ отражает обычно протекание тока, возникающее при синаптическом возбуждении дендритов многих нейронов. Этот ток в мозгу выражен ионами №+, Ca++ и И-, которые проходят через каналы в мембранах нейронов в том же направлении, что и мембранный потенциал. Разность потенциалов, которая заставляет ток течь, создается постсинаптическими градуированными потенциалами между телом и дендритами, которые действуют как электрические диполи.
Частотно временные преобразования являются отличным инструментом для обработки не стационарных сигналов [6-8]. Такое преобразование позволяет увидеть происходящие изменения по времени, частоте и амплитуде. Результатом преобразования сигнала является спектрограмма. Как следствие на спектрограмме можно увидеть изменения, происходящие в сигнале. Преобразования используются во многих сферах, как пример медицина, где вейвлет преобразование используется для анализа ЭКГ.
1. Методическая часть
1.1. Нервная система. Нейрон - основная клетка нервной системы, которая состоит из трех частей. Это сома (тело клетки нейрона), дендриты и аксон. Дендриты обычно расположены непосредственно около ядра клетки, и выглядят как небольшие, многочисленные, ветвеобразные отростки, отвечают за получение стимулов от других нейронов. Аксон же является длинным отростком, функция которого передавать сигнал от тела нейрона сигнал другому нейрону, самому себе или исполнительному органу. На конце дендритов и аксона, в месте соприкосновения с другими нейронами, располагается синапс, который отвечает за передачу сигнала от одного нейрона к другому.
Механизм передачи сигнала внутри самого нейрона имеет электрическую природу и называется потенциал действия. Причина потенциала действия кроется в наличии в мембране аксона потенциал-зависимых ионных каналов [9-10]. Благодаря им аксон может проводить электрические сигналы. Сами сигналы создаются и передаются из-за заряженных ионов натрия, калия, хлора и кальция. Потенциал, создаваемый ионами мембраны, называется мембранным потенциалом и имеет значение около 70 мВ [11-13].
Многочисленные группы нейронов, связанных между собой, образуют головной мозг и нервную систему, в общем. При рассмотрении головного мозга его можно поделить на 52 разных отделов, которые называются поля Бродмана [14-16]. Из них в данной работе большее внимание уделяется полю 4 и 6, образующие центр планирования реальных и воображаемых движений, так же называемый как моторная кора головного мозга, местоположение можно увидеть на рис. 1. Так же поле 4 представляет собой начало пирамидного пути, который заканчивается в мотор-нейронах головного мозга, и отвечает за сложную и тонкую координацию действий [17-18].
SMA
Primary motor corte*
Primary somatosensory cortex
Posterior parietal cortex
Рис. 1. Топография коры мозга
1.2. Электроэнцефалография. Передача сигналов внутри мозга, который имеет триллионы нейронов, осуществляется при помощи синапсов. При активности нейроны создают электрические сигналы способные пройти через поверхность кожи головы. Таким образом, разместив на коже головы датчики, можно измерить эти потенциалы во время выполнения какой-либо деятельности [19-21]. Измерения при помощи ЭЭГ делятся на две части: инва-зивные и неинвазивные. В этом исследовании используются данные, полученные неинвазивными методами.
Одним из источников сигналов являются пирамидальные клетки коры. Все клетки в этой области перпендикулярны и параллельны друг другу. Каждая такая клетка имеет 1700 ингибирующих и 31000 экспонирующих входов. Из-за перпендикулярной ориентации пирамидальных нейронов поверхности коры получается дипольный слой в коре головного мозга. Поэтому ЭЭГ в данной области будет представлять, в основном, постсинаптические потенциалы тех нейронов, что находятся рядом с регистрирующим электродом [22].
Ритмы ЭЭГ, в основном, делятся на 6 разных: Дельта, Тета, Альфа, Бета, Гамма, Мю. Изменения в одном из ритмов отражают процессы, протекающие в головном мозге. Ритмы лежат в диапазоне от 0 до 100 и больше Герц [24]. Мю ритм находится в полосе от 8 до 13 Герц. Изменения этого ритма связывают с мысленным представлением движений, состоянием готовности к движению или тактильной стимуляцией.
1.3. Дискретная модель вейвлет преобразования. Вейвлет преобразование позволяет перевести сигнал из временного представления в частотно-временное. Принцип заключается в свертке сигнала с вейвлет функцией, так же известной как «материнский вейвлет». Само преобразование может быть как непрерывным, так и дискретным. Преобразования очень широко используются в обработке сигналов, изображений и видео, так как они позволяют эффективно анализировать и сжимать данные, что снижает объем хранения и улучшает качество обработки. В данной статье рассматривается дискретная модель вейвлет преобразования.
Дискретное вейвлет преобразование (ДВП) представляет собой банк фильтров, для получения частотно временного представления, которое лучше всего подходит для ЭЭГ [13-14].
243
Формула описывающая ДВП:
у[п] = (х * д)[п] = х[к]д[п - к], (1)
где х[к] - исходный сигнал; д[п-к] - низкочастотный фильтр.
В результате вычислений, основанных на приведенной выше формуле, получается свертка исходного сигнала с импульсной характеристикой низкочастотного фильтра д (рис. 2).
х[п] fcO-n
DWT coefficients , , ,
Рис. 2. Схема получения коэффициентов
Одновременно с этим вычисляется свертка сигнала с высокочастотным фильтром h. После выполняется децимация в два раза. Операция далее повторяется уже на сигнале полученного из уравнения выше для фильтра д. Итоговая формула для одного уровня вычислений выглядит следующим образом:
УюЛп]= !£=-„ x[k]g[2n-k] (2)
Уыдк [п]= 1,4?=-«, x[fc]h[2n-fc] (3)
2. Исследовательская часть. База данных представляет собой 4 разных эксперимента на основе воображаемых двигательных движений, проведенных на 13 субъектах. С помощью системы EEG-1200 JE-921A EEG было записано 23 канала ЭЭГ, в то время как испытуемые выполняли экспериментальные пробы. Кроме того, для сбора данных использовалась система размещения 10-20 электродов, что можно увидеть на рис. 3.
Два дополнительных электрода нужны для синхронизации и передачи вида стимула соответственно. Каждая сессия экспериментов длилась от 50 до 55 минут, с перерывами, в течение которых было записано более 900 откликов на внешний стимул, который выражался в виде картинки, в соответствии с которой испытуемый должен был представить движение данной частью тела. Продолжительность стимулов 1 секунда, после чего происходит ожидание следующего сигнала на протяжении 1.5-2.5 секунд. Частота дискретизации сигнала 200 или 1000 Гц. Записанные данные представлены в формате MAT.
Первый этап заключался в извлечении данных из файла. Анализ был выполнен на субъекте А, эксперимент с представлением движений 5 пальцев одной руки и движения обеих рук поочерёдно. Для обработки данных был создан скрипт на Python. В результате была получена таблица с сигналами, разбитыми в соответствии с видом движения продолжительностью 1 секундой.
INION
Рис. 3. ЭЭГ регистрировали с 21 электродов по международной системе 10-20
244
biorl.l 0.37 0.44 0.42 0.33 0.33 0.33 0.37
biorl.3 ■ 0.37 0.42 0.39 0.36 0.35 0.37 0.35
biorl.5 0.36 0.4 0.39 0.34 0.37 0.36 0.34
Ьюг2.2 ■ 0.37 0.41 0.4 0.34 0.33 0,32 0.38
bi 0 Г2.4 - 0.36 0.41 0.39 0.34 0.37 0.35 0.36
bi 0 Г2.6 0.36 0.39 0.38 0.34 0.33 0.33 0.36
bior2.8 - 0.36 0.39 0.38 0.35 0.36 0.34 0.35
bior3.1 0.37 0.39 0.35 0.35 0,34 0.35
bi 0 ГЗ. 3 0.36 0.41 0.39 0.35 0.38 0.35 0.35
bior3.5 0.36 0.4 0.39 0.36 0.37 0.37 0.35
bioГ3.7 ■ 0.36 0.4 0.38 0.36 0.37 0.34 0.34
bior3.9 - 0.36 0.4 0.38 0.36 0.36 0,38 0.36
bior4.4 0.36 0.41 0.39 0.34 0.36 0.37 0.37
bior5.5 0.37 0.41 0.4 0.33 0.35 0.37 0.35
bior6.8 - 0.36 0.41 0.38 0,35 0.37 0.35 0.37
coifl ■ 0.38 0.42 0.4 0.35 0.37 0.34 0.36
coif2 0.36 0.4 0.39 0.35 0.36 0.35 0.35
C0if3 0.36 0,39 0.39 0.35 0.37 0.36 0.36
C0if4 0.36 0.4 0.39 0.34 0.37 0.36 0.36
coif5 ■ 0.36 0.33 0.39 0.34 0.37 0.38 0.36
coifs 0.36 0.39 0.38 0.34 0.36 0.37 0.35
C0if7 0.36 0,38 0.38 0,36 0.37 0.38 0.37
coifs 0.36 0.38 0.38 0,35 0.37 0.38 0.36
C0if9 0.36 0.38 0.38 0.35 0.37 0,33 0.35
COiflO ■ 0.36 0.37 0.38 0.36 0.37 0.33 0.35
coifl 1 0.36 0.38 0.37 0,34 0.37 0.33 0.35
C0ifl2 0.36 0.38 0.38 0.35 0.37 0.33 0.35
C0ifl3 - 0.36 0.38 0.37 0.34 0.36 0.33 0.35
C0ifl4 - 0.36 0.37 0.37 0.32 0.36 0.33 0.34
COiflS 0.36 0.37 0.37 0.35 0.36 0.33 0.36
COiflS 0.36 0.37 0.37 0.36 0.36 0.33 0.35
C0ifl7 ■ 0.36 0.37 0.38 0.35 0.34 0.35 0.37
dbl ■ 0.37 0.42 0.35 0.33 0.33 0.37
db2 0.39 0.41 0.36 0.36 0.34 0.38
db3 - 0.37 0,42 0.41 0.36 0.36 0.36 0.37
db4 ■ 0.36 0.41 0.39 0.36 0.36 0.36 0.36
db5 0.36 0.4 0.4 0.35 0.36 0.36 0.35
db6 0.36 0.41 0.4 0.36 0.37 0.36 0.36
db7 - 0.36 0,39 0.4 0.34 0.37 0.35 0.35
dbS - 0.36 0.4 0.39 0.35 0.37 0.35 0.36
db9 0.36 0.41 0.39 0.35 0.37 0.34 0.35
dbio 0.36 0.41 0.38 0.36 0.37 0.36 0.35
dbll ■ 0.36 0,39 0.39 0.36 0.37 0.36 0.36
dbl2 ■ 0.36 0,39 0.39 0.36 0.37 0.35 0.35
dbl3 - 0.36 0.42 0.39 0.36 0.38 0,35 0.36
dbl4 - 0.36 0.38 0.39 0.36 0.37 0.37 0.36
dbl5 ■ 0.36 0.39 0.38 0.35 0.37 0.38 0.35
dbl6 - 0.36 0,38 0.38 0.34 0.37 0.37 0.36
dbl7 0.36 0.4 0.38 0.34 0.37 0.38 0.36
dbis 0.36 0.39 0.4 0.35 0.37 0.38 0.36
dbl9 - 0.36 0.4 0.39 0.34 0.37 0.37 0.35
db20 0.36 0.39 0.38 0.35 0.37 0,38 0.35
db21 0.36 0.39 0.38 0.34 0.37 0.37 0.35
db22 0.36 0.39 0.38 0.35 0.37 0.37 0.36
db23 0.36 0.38 0.4 0.36 0.37 0.37 0.36
db24 - 0.36 0.38 0.4 0.34 0.37 0,36 0.34
db25 0.36 0.39 0.38 0.34 0.37 0,37 0.36
db26 0.36 0.39 0.38 0.34 0.37 0.33 0.35
db27 0.36 0.39 0.38 0.36 0.38 0.33 0.36
db2S - 0.36 0.38 0.38 0.34 о.за 0.33 0.35
db29 - 0.36 0.37 0.37 0.36 0.37 0.33 0.35
db30 0.36 0.37 0.37 0.34 0.37 0.33 0.36
db31 0.36 0.37 0.38 0,35 0.37 0.33 0.34
db32 0.36 0.38 0.36 0.33 0.37 0.33 0.34
db33 - 0.36 0.38 0.39 0.34 0.37 0.33 0.36
db34 0.36 0.38 0.38 0.33 0.37 0.33 0.34
db35 0.36 0.37 0.36 0.34 0.37 0.33 0.35
db36 - 0.36 0.37 0.38 0.34 0.37 0.33 0.36
db37 0.36 0.38 0.37 0.34 0.36 0.33 0.36
db38 0.36 0.38 0.38 0.35 0.36 0.33 0.35
dmey - 0.36 0.37 0.38 0.34 0.37 0.33 0.35
haar 0.37 0.42 0.35 0.33 0.33 0.37
rtoiol.l ■ 0.37 0.42 0.36 0.33 0.33 0.37
rbiol.3 0.37 0.42 0.39 0.35 0.36 0.36 0.38
rbiol.5 0.36 0.4 0.38 0,35 0.38 0.36 0.35
lbio2.2 ■ 0.37 0.42 0.4 0.37 0.36 0.36 0.35
rbio2.4 ■ 0.36 0.42 0.4 0.35 0.34 0.33 0.35
rbio2.6 - 0.36 0.4 0.4 0.35 0.37 0.35 0.37
rbio2.8 0.36 0,39 0.39 0.35 0.36 0.35 0.37
rbio3.1 0.37 0.41 0.41 0.35 0.34 0.35 0.36
гЬюЗ.З ■ 0.37 0.41 0.4 0.36 0.36 0.36 0.36
rbio3.5 ■ 0.36 0.4 0.39 0.37 0.36 0.37 0.35
rbio3.7 ■ 0.36 0.4 0.38 0.35 0.37 0.37 0.35
lbio3.9 - 0.36 0,39 0.38 0.35 0.36 0.36 0.35
lbio4.4 ■ 0.37 0,41 0.41 0,36 0.36 0.37 0.36
rbio5.5 0.37 0.4 0.39 0.36 0.35 0.36 0.38
rbio6.8 - 0.36 0.4 0.4 0.34 0.37 0.35 0.37
sym2 - 0.39 0.42 0.36 0.35 0.36 0.38
sym3 - 0.37 0,42 0.41 0.36 0.36 0.35 0.37
sym4 0.36 0.41 0.4 0.36 0.36 0.35 0.37
sym5 ■ 0.37 0.41 0.4 0.35 0.36 0.36 0.37
sym6 - 0.37 0.42 0.38 0.36 0.35 0.36 0.36
sym7 ■ 0.36 0.4 0.39 0.35 0.36 0.36 0.35
symS - 0.36 0.4 0.39 0.35 0.37 0.36 0.36
sym9 0.36 0.4 0.39 0.35 0.38 0.36 0.37
symlO ■ 0.36 0.39 0.39 0.34 0.37 0,35 0.36
symll ■ 0.36 0.4 0.38 0.33 0.36 0,35 0.36
syml2 - 0.36 0.38 0.38 0.35 0.37 0.36 0.36
syml3 - 0.36 0.39 0.39 0.34 0.37 0.34 0.35
syml4 - 0.36 0,38 0.39 0.35 0.36 0.38 0.36
syml5 ■ 0.36 0.39 0.38 0.37 0.37 0.38 0.35
symie - 0.36 0.38 0.39 0.35 0.37 0.38 0.36
syml7 - 0.36 0.4 0.39 0.34 0.37 0.38 0.35
syml8 - 0.36 0.4 0.39 0.35 0.37 0.38 0.36
syml9 - 0.36 0.38 0.39 0.35 0.37 0.37 0.35
sym20 - 0.36 0.39 0.39 0.34 0.37 0.37 0.35
5УС - Ф ш Ш m Z с 1Л >,
vj та и и О! i и (L 1С з та та : ¡г с $ яз и i
Рис. 4. Точность методов машинного обучения от выбранной вейвлет функции
245
Второй этап заключался в использовании ДВП с разными вейвлет функциями. В результате преобразования сигналов из первого этапа получается массив данных, состоящий из коэффициентов аппроксимации и детализации нескольких уровней.
После получения двух поддиапазонов части сигнала, соответствующий тем отрезкам, на котором субъект думает о движении конечностью. Детализирующие коэффициенты и коэффициенты аппроксимации далее используются для расчета признаков, таких как 25 процентный квантиль, 75 процентный квантиль и так далее. Суммарно 12 признаков для каждого поддиапазона.
На полученных данных обучались машинные алгоритмы, при помощи которых происходила последующая классификация. Данные были разбиты на обучающие и тестовые, в соотношении 8 к 2. Было использовано 7 алгоритмов машинного обучения: SVC, Random Forest Classifier, KNeighbors Classifier, GradientBoosting Classifier, DecisionTreeClassifier, GaussianNB, QuadraticDiscriminantAnalysis. Обучение и валидация сделаны для каждой функции вейвлет преобразования, всего их 107. Результаты в точности распознавания вида движения можно увидеть на рисунке 4.
Выводы. В результате работы были произведено сравнение 107 разных вейвлет функций в обработке ЭЭГ сигнала, соответствующего трем разным воображаемым движениям. Исходные данные, в виде сигналов с 20 датчиков ЭЭГ, были преобразованы во временные интервалы с меткой о том, какое это воображаемое движение. После при помощи ДВП интервалы с метками были преобразованы во временно частотный вид, разбитый на несколько частей. Для каждой части были рассчитаны двенадцать разных свойств. В качестве итога получена таблица, состоящая из 12 свойств каждого поддиапазона одного интервала. На основе данной таблицы были обучены алгоритмы машинного обучения. На рис. 5 приведены все полученные в результате работы данные. По полученным данным можно сказать, что выбор материнского вейвлета влияет на точность распознавания вида воображаемого движения.
Список литературы
1. Kiral-Kornek I, S. Roy, E. Nurse, B. Mashford, P. Karoly, T. Carroll, D. Payne, S. Saha, S. Baldassano, T. O'Brien, D. Grayden, M. Cook, D. Freestone, and S. Harrer, "Epileptic seizure prediction using big data and deep learning: Toward a mobile system," EBioMedicine, 2018, vol. 27, P. 103 - 111.
2. W.Y. Hsu and Y.W. Cheng, "EEG-Channel-Temporal-Spectral-Attention Correlation for Motor Imagery EEG Classification," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2023, vol. 31. P. 1659-1669. DOI: 10.1109/TNSRE.2023.3255233.
3. Y. Yang, Z. K. Peng, X. J. Dong, W. M. Zhang and G. Meng, "General Parameterized Time-Frequency Transform," in IEEE Transactions on Signal Processing, 2014, Vol. 62, no. 11. pp. 2751-2764, DOI: 10.1109/TSP.2014.2314061.
4. H. Qiu, S. Xiao and R. P. Joshi, Simulations of Voltage Transients Across Intracellular Mitochondrial Membranes Due to Nanosecond Electrical Pulses, in IEEE Transactions on Plasma Science, 2014 vol. 42, no. 10, pp. 3113-3120, DOI: 10.1109/TPS.2014.2308871
5. Potekhin, V.; Muhammed, E. & Ogul, U. Development of Artificial Neural Network To Determine Hand Activity Using Real Motor Activity From Electroencephalography Signals, Apple Space Engineering, Technologies and Exploration, 2018, pp. 214-224., ISBN 978-3-00-060580-2
6. W. Li et al., "The Neural Mechanism Exploration of Adaptive Motor Control: Dynamical Economic Cell Allocation in the Primary Motor Cortex," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2017, Vol. 25, no. 5, pp. 492-501, DOI: 10.1109/TNSRE.2016.2580620.
7. J. M. Antelis, L. Montesano, A. Ramos-Murguialday, N. Birbaumer and J. Minguez, "Decoding Upper Limb Movement Attempt From EEG Measurements of the Contralesional Motor Cortex in Chronic Stroke Patients," in IEEE Transactions on Biomedical Engineering, 2017, Vol. 64, no. 1, pp. 99-111, DOI: 10.1109/TBME.2016.2541084.
8. T. R. Mullen et al., "Real-time neuroimaging and cognitive monitoring using wearable dry EEG," in IEEE Transactions on Biomedical Engineering, 2015, Vol. 62, no. 11, pp. 2553-2567, DOI: 10.1109/TBME.2015.2481482.
9. F. J. Fraga, E. F. Oliveira and P. A. M. Kanda, "EEG epoch selection: Lack of alpha rhythm improves discrimination of Alzheimer's disease," 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Orlando, FL, USA, 2016, pp. 2307-2310, DOI: 10.1109/EMBC.2016.7591191.
10. N. P. Subramaniyam, J. Hyttinen, N. G. Hatsopoulos, C. F. Ross and K. Takahashi, "Recurrence network analysis of multiple local field potential bands from the orofacial portion of primary motor cortex," 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Milan, Italy, 2015, pp. 5343-5346, DOI: 10.1109/EMBC.2015.7319598.
11. T. Guo, T. Zhang, E. Lim, M. Lopez-Benitez, F. Ma and L. Yu, "A Review of Wavelet Analysis and Its Applications: Challenges and Opportunities," in IEEE Access, 2022, vol. 10, pp. 58869-58903, DOI: 10.1109/ACCESS.2022.3179517.
12. C. Wu, L. Xu, H. Zhang and W. Zhao, "Code acquisition method based on wavelet transform filtering," in Journal of Systems Engineering and Electronics, 2015, vol. 26, no. 6, pp. 1169-1176, DOI: 10.1109/JSEE.2015.00127.
13. Amjed S. Al-Fahoum, Ausilah A. Al-Fraihat, "Methods of EEG Signal Features Extraction Using Linear Analysis in Frequency and Time-Frequency Domains", International Scholarly Research Notices, 2014, Article ID 730218, pp.7, DOI: 10.1155/2014/730218
14. D. Wang et al., "Improvement in EEG Source Imaging Accuracy by Means of Wavelet Packet Transform and Subspace Component Selection," in IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2021, vol. 29, pp. 650-661, DOI: 10.1109/TNSRE.2021.3064665.
15. Kaya, Murat; Binli, Mustafa Kemal; Ozbay, Erkan; Yanar, Hilmi; Mishchenko, Yuriy. A large electroencephalograph^ motor imagery dataset for electroencephalographs brain computer interfaces. figshare. Collection. 2018, DOI: 10.6084/m9.figshare.c.3917698.v1
16. Kim, D.; Kim, S.H.; Kim, T.; Kang, B.B.; Lee, M.; Park,W.; Ku, S.; Kim, D.; Kwon, J.; Lee, H.; et al. Review of machine learning methods in soft robotics. Plos one, 2021, Vol. 16, DOI: 10.1371/journal.pone.0246102
17. Sun, W.; Akashi, N.; Kuniyoshi, Y.; Nakajima, K. Physics-informed recurrent neural networks for soft pneumatic actuators. IEEE Robotics and Automation Letters 2022, no. 7, pp. 6862-6869, DOI: 10.1109/LRA.2022.3178496.
18. Sultanbekov, R.; Beloglazov, I.; Islamov, S.; Ong, M.C. Exploring of the Incompatibility of Marine Residual Fuel: A Case Study Using Machine Learning Methods. Energies 2021, Vol. 14. DOI: 10.3390/en14248422.
19. Kashyap, P. Industrial applications of machine learning. Machine Learning for Decision Makers: Cognitive Computing Fundamentals for Better Decision Making 2017. P. 189-233.
20. M. Muniteja, M. K. M. Bee and V. Suresh, "Detection and classification of Melanoma image of skin cancer based on Convolutional Neural Network and comparison with Coactive Neuro Fuzzy Inference System," 2022 International Conference on Cyber Resilience (ICCR), Dubai, United Arab Emirates, 2022. P. 1-5. DOI: 10.1109/ICCR56254.2022.9995881.
21. Montiel J., Halford M., Mastelini S.M., Bolmier G., Sourty R., Vaysse R., Zouitine, A., Gomes, H.M., Read, J., Abdessalem T. et al. River: machine learning for streaming data in python. The Journal of Machine Learning Research 2021, 22. P. 4945-4952.
22. Vasilev I., Slater D., Spacagna G., Roelants P., Zocca V. Python Deep Learning: Exploring deep learning techniques and neural network architectures with Pytorch, Keras, and TensorFlow, Packt Publishing Ltd, 2019.
Хаодун Чэн, студент, [email protected]. Россия, Санкт-Петербург, Санкт-петербургский политехнический университет Петра Великого,
Чжоу Вэй, студент, zzwdyx0911@163. com. Россия, Санкт-Петербург, Санкт-петербургский политехнический университет Петра Великого,
Потехин Вячеслав Витальевич, канд. техн. наук, доцент, [email protected]. Россия, Санкт-Петербург, Санкт-петербургский политехнический университет Петра Великого,
Кожубаев Юрий Нургалиевич, канд. техн. наук, доцент, Россия, Санкт-Петербург, Санкт-петербургский политехнический университет Петра Великого,
Карпухин Виктор Сергеевич, студент, [email protected]. Россия, Санкт-Петербург, Санкт-петербургский политехнический университет Петра Великого
DISCRETE WAVELET TRANSFORM MODEL FOR ELECTROENCEPHALOGRAPHY PROCESSING Haodong Cheng, Zhou Wei, V.V. Potekhin, Yu.N. Kozhubaev, VS. Karpushin
The use of non-invasive means, in particular an electroencephalograph, to record brain biopotentials is one of the simplest and most common methods for creating neurocomputer interfaces. The search for suitable algorithms for processing the received signals for subsequent recognition of thought processes is one of the biggest obstacles to the future implementation of interfaces in many areas. Due to the huge set and complexity of processes occurring simultaneously in the brain, it is impossible to create a model that could fully describe them. As a result, obtaining model-free methods requires a lot of time. However, in recent years, machine learning methods have become increasingly popular in research. The computing power of modern computers allows you to quickly perform the calculations necessary for machine learning, which is a key argument in favor of their use. The data obtained from the source were divided into sets of signals from each of the electrodes and the type of mental actions. After each of them was presented in frequency-time form using a discrete wavelet transform model. Then, individual characteristics of each frequency-time segment of the signal were calculated, which were used for machine learning. Each of the machine learning algorithms was tested on different wavelet functions.
Key words: Wavelet transform, discrete model, machine learning, neural networks, approximation, electroen-cephalography.
Haodong Cheng, student, chenghaodong732@gmail. com, Russia, Saint Petersburg, Peter the Great Saint Petersburg Polytechnic University,
Zhou Wei, student, zzwdyx0911 @163. com, Russia, Saint Petersburg, Peter the Great Saint Petersburg Polytechnic University,
Potekhin Vyacheslav Vitalievich, candidate of technical sciences, docent, um-urii@mail. ru, Russia, Saint Petersburg, Peter the Great Saint Petersburg Polytechnic University,
Kozhubaev Yuri Nurgalievich, candidate of technical sciences, docent, Russia, Saint Petersburg, Peter the Great Saint Petersburg Polytechnic University,
Karpushin Viktor Sergeevich, student, karpuhin. [email protected]. ru, Russia, Saint Petersburg, Peter the Great Saint Petersburg Polytechnic University
